Affiliation of Author(s):
城市发展与现代交通学院
Key Words:
交通工程；共享单车需求预测；LP算法；TFT算法；SHAP可解释分析
Abstract:
为揭示共享单车系统需求演变规律，并明确不同因素对需求的影响，提出一种融合特征解耦与深度学习的集群－站点级分层时空预测框架。首先，基于站点间的关联性与相似性改进 LP算法，构建站点集群划分模型，其中关联性通过空间距离与出行流量表征，相似性通过 POI相似度与历史出行量相似度加权表征；引入借还不平衡差异指数评价聚类效果，以最小化借还不平衡差异指数为目标进行站点集群划分；在此基础上，分别建立基于TFT模型的集群级与站点级需求预测模型，并将集群级预测结果整合进站点级预测过程中；最后，运用SHAP方法解析不同因素对集群级与站点级共享单车需求的影响机制。研究结果表明：集群级需求预测过程中，小时特征对集群级需求的影响最显著，表现为夜间抑制、日间促进，气象因素呈现双向调节作用，在温度适中、气压较高、风速与湿度较低时对需求产生促进作用；站点级需求预测过程中，集群需求为核心影响因素，随着集群级结果的引入，站点级预测结果的决定系数R²由 0.7679提升至 0.8504，平均绝对误差MAE由1.2152降至0.9755，误差降低19.73%；气象因素在站点层级展现出一定的独立影响趋势，如在部分低温、高湿或风速较大的情境下仍可能促进需求，表明站点级需求不仅依赖于集群需求的整体波动，还受站点周边环境的影响，具有一定独立性。研究构建了基于分层时空框架的共享单车需求预测方法，可为共享单车需求驱动因素识别与动态调度提供决策支持。
Paper Publications
